Стартапы, Проекты | Олег Брагинский, Марина Строева
Основатель «Школы траблшутеров» Олег Брагинский и ученица Марина Строева расскажут, какие тренды преобладают на рынке медицинских сервисов, разберут на составные элементы приложение для частной клиники, поведают, как обучить и внедрить ИИ-помощника для врача.
Цифровизация медицины – не тренд, а необходимость. После нескольких лет, когда цифровое здравоохранение казалось на периферии, крупные технологические компании и стартапы снова делают ставку на здоровье – теперь с поддержкой больших языковых моделей и «умных» агентов.
Компании внедряют цифровых пациентов для тренировки врачей, автоматизируют анализ данных и даже строят системы «активного» управления здоровьем – от напоминаний о приёме лекарств до персонализированных рекомендаций. «Ассистент здоровья» от Tencent анализирует отчёты, отслеживает динамику показателей, предупреждает о рисках и формирует индивидуальные планы.
JD Health строит архитектуру «три движка + четыре модели»: специализированные модули для работы с данными, клиническими случаями и симуляцией диалога, а также модели для терапевтов, специалистов, «агентов-здоровья» и медицинских изображений с мультимодальным анализом.
В области медицинской визуализации лидирует United Imaging Intelligence: AI-агент способен по одному снимку выявлять до 73 патологий грудной клетки, автоматически формировать отчёты и поддерживать голосовой ввод. В реальных тестах AI-ассистент ускоряет работу врача на 25%.
Цифровые технологии превращают медицинские приложения в полноценную экосистему, объединяющая пациентов, врачей, ассистентов и администрацию клиники в едином пространстве. Давайте рассмотрим, каким должно быть такое приложение и как его разработать.
Важно реализовать многоуровневую защиту: двухфакторная аутентификация, подтверждение email и телефона, восстановление пароля, а также гибкую систему профилей: пациент, врач, ассистент, лаборант, администратор. Данные должны храниться и передаваться в зашифрованном виде.
Возможность редактировать информацию, менять пароль, настраивать тип профиля и быстро выходить из аккаунта – обязательные функции для приложения. Персонализация интерфейса: темы и настройки уведомлений делает использование приложения максимально комфортным.
Главный экран – центр управления здоровьем пользователя. Меню, быстрый доступ к основным функциям и режимам, система уведомлений и базовых реакций, избранное и умный поиск позволяют не теряться в большом количестве информации и быстро находить нужное вовремя.
Пользователь может добавлять, просматривать и анализировать показатели самочувствия: давление, пульс, уровень сахара. История изменений, сравнение индикаторов, возможность экспорта/импорта данных делают приложение инструментом для контроля состояния здоровья.
Встроенные опросники, загрузка анализов, автоматический отчёт о результатах с помощью ИИ, объяснения и персональные рекомендации – помогают пациенту вовремя реагировать на изменения. История показателей и сравнение результатов позволяют отслеживать динамику.
Индивидуальные советы, видеочаты с врачами, выбор специалиста, расписание, запись на консультацию, история обращений и отзывы – формируют доверие и повышает качество медицинских услуг. Интеграция с календарём и напоминаниями позволяют не пропускать события.
Пользователь может выбрать клинику, специалиста, удобное время, подтвердить запись, перенести или отменить. История посещений и детализация каждого визита с учётом взрослости и «квалификации» лечащегося или профилактирующегося делают процесс прозрачным и удобным.
Загрузка, просмотр, редактирование и возможность поделиться данными – важная часть цифровой системы. Всё хранится в одном месте, доступно в любой момент и защищено от несанкционированного доступа.
Гибкая система напоминаний о записях к врачу, приёме лекарств, анализах и других событиях помогает пациенту не забывать о важных деталях. Встроенная поддержка, FAQ, контакты, обратная связь и руководство пользователя делают сервис понятным и доступным.
Искусственный интеллект в медицинском приложении – шаг к повышению качества услуг и эффективности работы клиники. Модели способны анализировать массивы данных, выявлять скрытые закономерности и помогать принимать решения как врачам, так и пациентам.
Объём медицинской информации постоянно растёт: анализы, показатели, истории болезней, рекомендации, научные публикации. Человеку сложно обработать и учесть все эти данные, а ИИ справляется с этим за секунды. В приложении ИИ может выполнять множество полезных функций:
- обработка и анализ медицинских изображений
- анализ медицинских данных и показателей
- генерация персональных рекомендаций
- интерпретация результатов анализов
- обработка естественного языка
- помощь в диагностике.
Для обучения LLM на реальных медицинских данных требуется анонимизация и соблюдение всех юридических норм: GDPR, HIPAA. Нередко задействуются специализированные датасеты, содержащие обезличенные медицинские тексты, истории болезни, протоколы, публикации:
- MIMIC-III, MIMIC-IV. Огромные датасеты анонимизированных историй болезни пациентов из госпиталей США (английский). Содержат записи о приёмах, анализах, диагнозах, выписках.
- PubMed и PubMed Central. Миллионы научных статей по медицине и биологии. Используются для обучения моделей на медицинской терминологии и научных знаниях.
- MedDialog. Диалоги между врачами и пациентами для обучения медицинских чат-ботов.
- Russian Clinical Texts. Для русскоязычных моделей – корпуса анонимизированных историй болезни, выписок, протоколов.
- MedQA-Ru, MedTextRu. Русскоязычные датасеты для задач вопросов-ответов и анализа медицинских текстов.
Медицинские данные – наиболее чувствительны. Утечка ведёт к серьёзным последствиям для клиник: штрафы, судебные иски. В ЕС, России и США законы запрещают передачу персональных медицинских данных за пределы страны или в облачные сервисы без специальных гарантий.
При использовании внешнего API: OpenAI, Google, Microsoft, вы не контролируете, где и как обрабатываются данные, кто имеет к ним доступ, как долго хранится информация и может ли быть несанкционированно использована для дообучения чужих алгоритмов.
Локальные модели можно совершенствовать на данных клиники, адаптировать под специфику, интегрировать с внутренними системами, что невозможно при использовании внешнего API.
Стоимость серверов локальной LLM-модели зависит от размера: 7B-70B+ параметров, требований к RAM и GPU, а также ожидаемой нагрузки. Для небольших моделей (до 7B) потребуется сервер стоимостью от $8’000 до $20’000 с 1–2 мощными GPU и 128–256 ГБ RAM.
Для более крупных моделей (70B+) и высокой нагрузки стоимость может достигать $60’000 –$200’000+ с несколькими топовыми GPU и до 1 ТБ RAM.
Локальное развёртывание LLM – стратегическое решение для медицинских учреждений, обеспечивающее максимальную конфиденциальность, безопасность данных и полное соответствие законодательству (HIPAA, GDPR, ФЗ-152), что невозможно при использовании API.